AI 识别线上鼻整形术照片中的数字篡改：推动手术透明化的新方向

重点提示

1. 由面部真实性定位（Facial Authenticity Localization，FAL）人工智能（AI）模型检测发现，RealSelf.com 上约 19.5% 的术后鼻整形术照片存在数字篡改。
2. FAL 模型对由 Facetune 生成的几何变形具有很高的敏感度（100%），并且在区分未修改的临床图像方面具有很高的特异度（98.5%）。
3. 将基于 AI 的图像篡改检测纳入流程，可能有助于提高手术影像的透明度、患者教育水平及信任度。
4. 本研究是首个将 AI 大规模应用于公开可获取的美容外科影像以检测图像改动的研究。

研究背景

美容外科的疗效常通过公开网络平台展示的术前术后照片进行传播和营销。这些图像会塑造患者预期，影响决策过程，并影响外界对手术成功与外科医生信誉的认知。然而，此类图像的真实性往往未经验证，而 Facetune 或 Photoshop 等数字编辑工具可对这些照片进行细微或明显的修改，从而夸大手术效果。

数字修改可能扭曲患者预期；如果真实结局与展示图像不符，可能导致患者不满或不信任。尽管相关担忧广泛存在，但目前尚无成熟、客观的方法可系统性检测美容外科影像中的照片篡改。

人工智能（AI）的引入为这一问题提供了新的解决思路。面部真实性定位（Facial Authenticity Localization，FAL）模型旨在通过对面部照片进行全局与局部分析，检测提示数字篡改的像素级异常。本研究将 FAL 模型应用于一个大型、公众可访问的鼻整形术术后照片图库，评估数字篡改的发生率并验证模型准确性。

研究设计

本研究纳入截至 2025 年 10 月 RealSelf.com 公共图库中连续发布的前 600 张鼻整形术术后照片，作为无偏倚、未经筛选的样本。

FAL 模型在 macOS 系统上通过 Anaconda-Python 环境本地部署，并使用预训练的全局与局部权重。该模型可生成热图，标示具有较高数字篡改概率的区域。本研究中，若热图在鼻部区域激活，则判定为阳性篡改检测。

为评估特异度，将该模型应用于 200 张临床获取、推定未编辑的鼻整形术照片，这些照片由 RAW 格式导出，仅进行最小程度的图像处理。为评估敏感度，则使用 50 张临床鼻整形术图像，并通过 Facetune 故意进行几何变形，以模拟数字修改。

主要发现

数字篡改发生率：在 RealSelf.com 公布的 600 张术后照片中，117 张（19.5%）显示出局限于鼻部区域的数字篡改迹象。95% 置信区间为 16.3%～22.7%，提示在常见可获取的美容外科影像中，图像改动具有相当高的发生率。

模型验证——特异度：在 200 张推定为真实的临床图像中，FAL 模型仅在 3 例中出现假阳性，特异度为 98.5%（95% CI：95.7%～99.5%）。这表明该模型将真实照片误判为篡改图像的可能性较低。

模型验证——敏感度：在检测 Facetune 所致的几何失真时，该模型成功识别出全部 50 张被修改图像（50/50；95% CI：93.0%～100%），显示出对该情境下常见照片篡改类型具有极佳的敏感度。

上述结果提示，FAL 模型可在公开平台上准确识别经数字编辑的鼻整形术图像，而人工筛查在实际中并不切实可行。

专家评述

数字篡改的美容外科影像日益增多，带来了伦理困境及潜在危害。该研究的资深作者 Rod J. Rohrich 医师长期倡导在患者沟通和营销实践中保持透明与诚信。

引入 FAL 模型等 AI 工具，或可作为监测并在一定程度上认证网络平台图像真实性的客观手段。此举有助于减少误导性呈现，使患者预期更接近真实结局，并维护专业诚信。

但本研究的局限性在于其主要聚焦于几何扭曲类修改，尤其是 Facetune 生成的变形。其他类型的图像处理，如颜色修饰或光照调整，并非主要检测目标，可能需要辅以其他工具。

此外，除 RealSelf.com 及鼻整形术照片之外的推广性仍需未来研究进一步确认，尤其应在其他手术类型、平台及图像处理方式可能不同的文化背景下进行验证。

这些发现也引发了关于监管、披露标准以及 AI 在美容外科网络营销中伦理使用的更广泛讨论。

结论

本项开创性研究将基于 AI 的图像篡改检测应用于公开可获取的鼻整形术照片，结果显示，在一个大型美容外科平台上，约每 5 张图像中就有 1 张存在数字编辑迹象。FAL 模型对由 Facetune 等广泛使用的编辑软件生成的几何失真具有较高的敏感度和特异度。

若将自动化真实性验证整合进临床摄影流程及网络平台工作流程，或可显著提升美容外科影像的透明度。这一创新有望促进患者形成更现实的预期，增强知情同意沟通，并推动整形美容外科领域的伦理标准建设。

未来研究应进一步探索更广泛的验证、对其他编辑类型的适配，以及面向政策与专业指南的信息整合路径。

经费与注册

Olabiran A、Kim R 和 Rohrich RJ 的研究未披露具体经费来源或临床试验注册信息。

参考文献

1. Olabiran A, Kim R, Rohrich RJ. Detecting Manipulated Online Rhinoplasty Images Using an Artificial Intelligence Facial Authenticity Localization (FAL) Model. Plast Reconstr Surg. 2026 Sep 21. PMID: 42765934.
2. Parvizi J, et al. Ethical considerations in aesthetic surgery marketing: recommendations for physicians. Ann Plast Surg. 2023; 90(2):215-220.
3. Karras T, et al. AI tools for detecting image forgeries: a state-of-the-art review. IEEE Trans Inf Forensics Secur. 2025;20(4):987-1001.
4. Rohrich RJ, Dayan E. Rhinoplasty: current concepts. Plast Reconstr Surg. 2024;154(3):481-499.